The history of AI that no one ever told you

Im Laufe der Geschichte der Science Fiction haben Autoren, Schriftsteller und Regisseure unzählige Vorhersagen darüber getroffen, wie die Zukunft aussehen wird. Die Jetsons Zurück in Die Zukunft, Terminator 2001 Odyssey im Weltraum war Games Late Owner her. Ausnahmslos fühlten sich diese Vorhersagen immer weiter von der Realität entfernt an. Und dann irgendwann erlebten wir einige wichtige Durchbrüche, insbesondere in der KI. Was auch immer dieser Moment war, er hat das Blatt komplett gewendet. Jetzt fühlen sich Vorhersagen nicht mehr weiter entfernt an, sondern sie werden immer schneller. War. Was früher etwas war, das zwei bis drei Jahre entfernt sein konnte, sehen wir jetzt in zwei bis drei Monaten. Wir sind von Lochkarten zu diesem hier übergegangen. Wir sind von einem Perceptron zu dieser Videogeneration übergegangen. Wir sind von altmodischen Telefonisten zu Kiawataren übergegangen, die Interviews für uns führen. Wann begann exponentielles Wachstum die Dinge so viel schneller voranzutreiben, als Popkultur und Wahrnehmung es erfassten. Die Wahrheit ist, dass es für Menschen praktisch und möglich ist, mit all dem KI Kram Schritt zu halten und vorauszusehen, wohin er uns führen wird, weil wir einfach nicht wirklich verstehen, wie exponentielles Wachstum tatsächlich funktioniert. Um uns das wirklich vorzustellen, müssen wir ganz an den Anfang zurückgehen und uns alle entscheidenden Momente und großen Fortschritte in der Geschichte der KI ansehen. Beginnen wir mit dem, was wir die regelbasierte Ära der Er bis Er Jahre nennen.

Wir nennen sie die regelbasierte Ära, weil KI damals im Grunde eine Reihe von Wendern Aussagen war. Ab 1950 schlug Alan Turing den Turing Test vor. Ursprünglich hieß er Imitationsspiel, aber dies war das erste Mal, dass jemand tatsächlich die Idee aufstellte, dass KI eines Tages so intelligent sein könnte, dass wir einen Test benötigen, um sie von Menschen zu unterscheiden. Spulen wir vor zum Sommer 1956 wir haben das Dartmouth Summer Research Project. Damals kam eine große Gruppe von Forschern zusammen, um gemeinsam herauszufinden, wie man zu intelligenter künstlicher Intelligenz gelangt. Tatsächlich war es dieses Forschungsprojekt, in dem John McCarthy 1956 den Begriff künstliche Intelligenz prägte. 1957 entwickelte Frank Rosenbler dann das Perceptron. Sie verwendeten damals gewichtete Eingaben für die gewünschte Ausgabe. Stellen Sie sich das so vor, wenn Sie versuchen, eine gewünschte Ausgabe von einer Maschine zu erhalten. Und sie haben eine Reihe von Daten, die sie dieser Maschine zur Verfügung stellen, um die gewünschte Ausgabe zu erzielen. Nun sind die Daten, die sie an die Maschine übergeben, möglicherweise nicht so wichtig wie die anderen Daten in dieser Maschine. Also was tun sie? Sie gewichten die verschiedenen Daten, die sie eingeben. Einige Daten werden höher gewichtet als andere, um die gewünschte Ausgabe zu erhalten. Sie nutzten auch süße kleine Zettel mit dunklen Kästchen für die Gewichtungen. 1966 bekam die Welt dann ihren ersten Key Chatbot namens Eliza. Sie wurde von Joseph Weissenbaum vom mitentwickelt und soll wie ein KI Psychologe funktionieren. Eliz Eliza würde dich fragen, wie du dich fühlst, und dann basierend auf deiner Antwort eine weitere Frage stellen. Eliza könnte Wie fühlst du dich heute? Du könntest Mir geht es gut. Eliza würde Warum fühlst du dich gut? Dann könntest du Ich habe letzte Nacht nicht gut geschlafen. Daraufhin würde Eliza Warum hast du letzte Nacht nicht gut geschlafen? Vielleicht bin ich zu spät ins Bett gegangen. Warum bist du zu spät ins Bett gegangen? Und so weiter. Im Grunde genommen würde Eliza das, was du gerade geantwortet hast, in eine Warum Frage umwandeln und so einem Psychologen ähneln, der versucht, dich dazu zu bringen, immer tiefer zu ergründen, warum du dich so fühlst. Doch nicht lange nachdem die KI Welt von den ERN bis Mitte der er Jahre von ihrem ersten KI Winter heimgesucht wurde, erschien ein Bericht, der das Perceptron Konzept kritisierte. Das führte dazu, dass die Menschen das Vertrauen in die Richtung der KI verloren. Infolgedessen versiegten die Fördermittel und Computer waren einfach noch nicht leistungsstark genug, damit die Menschen wirklich das tun konnten, was sie wollten. Doch Mitte der ER gab's mit dem maschinellen Lernen neuen Aufschwung. Diese Entwicklung wurde durch datengesteuerte KI definiert. Die KI begann aus Mustern in Daten zu lernen, anstatt nur aus regelbasierten wenn dann Aussagen. Und 1986 veröffentlichten die drei Forscher Jeffrey Hinton, Dave Rummelhardt und Ronald Williams den Bug Propagation Algorithmus. Dies war eine Methode des Deep Training in der Anfangsphase Neuron aller Netze. So wie das Perceptron gewichtete Eingaben entgegennimmt und sie in Ausgaben umwandelt, tat dieser Bug Propagation Algorithmus im Wesentlichen dasselbe, es war nur eine digitalisierte Version mit damals modernen Computern. Ein großer Unterschied bei der Bug Propagation bestand jedoch darin, dass diese ihre eigenen Ausgaben nehmen und sie dann wieder in das System einspeisen und aus ihren eigenen Fehlern lernen konnte. Sie wiederholte diesen Prozess und speiste die Ausgaben erneut ein, wobei sie ihre eigenen Gewichtungen kontinuierlich anpasste, bis schließlich das gewünschte Ergebnis erhalten wurde. Dies war ein enormer Fortschritt für das trainieren neuronaler Netze. 1989 entwickelte Jan Lun dann Lynette, während er bei Bell Labs arbeitete. Linette war eines der ersten und wahrscheinlich einflussreichsten faltenden neuronalen Netze. Es ist ein neuronales Netz, das erkennt und versteht, was es sieht, und so ziemlich alle modernen Bilderkennungsalgorithmen, die heute verwendet werden, verwenden immer noch eine sehr ähnliche Methode, wie die, die Yanl 1989 entwickelte. Doch danach wurde es wieder ruhiger um die Sache und wir wurden vom zweiten KI Winter heimgesucht. Unternehmen gingen pleite, Forschungsgelder versiegten und die Skepsis gegenüber KI wuchs. Doch 1997 rückte die KI wieder in den Mittelpunkt, als Deep Blue von IBM Garry Kasparov im Schach besiegte. Kasparov war der amtierende Schachweltmeister und bis heute gilt er als einer der besten Schachspieler aller Zeiten. Obwohl Deep Blue für seinen Sieg über Kasparov technisch gesehen ein regelbasiertes Modell verwendete, rückte es die Key wieder in den mittelpunkt der Welt. 1999 brachte Nvidia dann die GeForce 256 auf den Markt. Sie gilt weithin als die erste moderne GPU. Während CPUs für sehr komplexe Verarbeitungsvorgänge konzipiert wurden, also für jeweils eine Berechnung, konnten GPUs eine ganze Reihe etwas einfacherer Aufgaben gleichzeitig erledigen. Dies war zwar kein besonderer Moment für Die KI, aber GPUs sollten in Zukunft noch eine ziemlich große Sache werden. Spulen wir vor bis ins Jahr 2006 Jeffrey Hinton schuf das erste Deep Believe Netzwerk. Dies war ein entscheidender Moment, da die KI nun auf der Grundlage riesiger Datenmengen lernen konnte, ohne dass eine menschliche Kennzeichnung erforderlich war. Vor dbns war die KI darauf beschränkt, wie schnell Menschen die Maschine füttern konnten. Aber jetzt konnte KI selbstständig lernen Und dann geschah 2007 etwas wirklich Bahnbrechendes. Nvidia veröffentlichte CUDA, was für Compute Unified Device Architecture steht. Damit konnten Entwickler GPUs für die allgemeine Entwicklung verwenden. Zuvor wurden sie hauptsächlich verwendet, um Spiele besser aussehen zu lassen, jetzt können sie für alles verwendet werden und das war es. Das war der Moment, in dem die Dinge wirklich Fahrt aufnahmen. In den nächsten Jahren begannen Ingenieure, Forscher und Wissenschaftler herauszufinden, was sie mit diesen GPUs in Kombination mit dieser neuen CUDA Architektur anstellen konnten. Und das führte uns in die dritte Ära und die Ära, in der wir uns gerade Die Ära des Deep Learning. Die Ära des Deep Learning ist durch die Verwendung mehrerer Neuronen aller Netze gekennzeichnet. Zur Definition eines Deep Neural Networks erkläre ich kurz. Neuronale Netze. Ein normales neuronales Netzwerk ist ein Netzwerk, bei dem man eine Eingabe hat. Es gibt eine verborgene Ebene, in der die Verarbeitung stattfindet, und nach der Verarbeitung erhält man die Ausgabe. Bei einem normalen neuronalen Netz gibt es nur eine versteckte Schicht zwischen Eingabe und Ausgabe. Bei einem Deep Neural Network hingegen durchläuft das Netz eine ganze Reihe versteckter Schichten innerhalb des Netzes. Anstatt nur eine Schicht zu durchlaufen, also eine Eingabe zu erhalten, durchläuft das Netz im Grunde genommen alle möglichen neuronalen Netze. Bevor es schließlich als Ausgabe herauskommt, sind diese Netze viel komplexer, ermöglichen es Kies aber auch viel intelligenter zu werden. Und als Wissenschaftler herausfanden, wie man Deep Neural Networks mit GPUs und dieser CUDA Architektur verwendet, explodierte die Sache. 2011 gewann IBM Swatson die Jeopardy Show und rückte KI damit erneut in den Vordergrund des weltweiten Bewusstseins. In diesem Jahr brachte Apple auch Siri auf den Markt und damit den ersten KI Sprachassistenten. 2012 demonstrierte Google Brain dann unüberwachtes Feature Learning. Das Programm analysierte unbeschriftete YouTube Videos und erkannte deren Inhalt. 2013 lernte DeepMinds DQN, wie man Atari Spiele auf übermenschlichem Niveau spielt. 2014 kamen dann Ganz oder Generative Adversarial Networks auf den Markt, das erste System, mit dem KI realistische Bilder und Deepfakes generieren konnte. 2015 begann Google TPUs oder Tensor Processing Units anstelle von GPUs einzusetzen. Sie ähnelten GPUs, wurden aber speziell für maschinelles Lernen entwickelt. 2016 besiegte DeepMinds Alf Goalie Sadol, den Weltmeister in Gold, etwas, von dem man dachte, dass es mit KI niemals möglich wäre. 2017 wurde das Paper Attention is all you need veröffentlicht. Darin wurde der Welt die Transformer Architektur vorgestellt, die bis heute in fast allen modernen KI Modellen verwendet wird. 2018 veröffentlichte OpenAI GPT. Das TNGPT steht für Transformer, das wir gerade erwähnt haben. GPT-1 war zwar noch nicht sehr intelligent, aber es zeigte viel potenzial. Dann veröffentlichte OpenAI 2019 GPT. Dieses Modell wurde massiv skaliert und zu diesem Zeitpunkt wuchs die öffentliche Besorgnis darüber, wie gut diese Key Modelle werden könnten. Im Jahr 2019 erhielten wir außerdem Alpha Star von DeepMind, das herausfand, wie man Spiele wie StarCraft 2 meistert. Im Jahr 2020 erhielten wir GPT-3 von OpenAI. Dies war ein massiv skaliertes Modell und das erste natürliche Sprachmodell, das die Leute wirklich beeindruckte. Außerdem erhielten wir 2020 Alphafold 2 von DeepMind. Dieses Modell war in der Lage, das Problem der Proteinfaltung zu lösen, die was die Wirkstoffentdeckung beschleunigte und dazu führte, dass Forscher nun KI zur Formulierung neuer Medikamente einsetzen. Im Jahr 2021 veröffentlichte OpenAI Dolly 1 das erste transformatorbasierte Bilderzeugungsmodell. Im Jahr 2022 erhielten wir noch weitere Bilderzeugungsmodelle wie Midjourney und Stable Diffusion. Und dann kam es im November 2022 zu einem weiteren großen entscheidenden Moment. OpenAI veröffentlichte ChatGPT für die Welt. Es wurde zum schnellst wachsenden Produkt der Geschichte und etablierte KI im öffentlichen Bewusstsein. Dann im Jahr 2023 legten sie noch einen drauf und brachten GPT-4 auf den Markt. Ebenfalls im Jahr 2023 veröffentlichte Meta sein Open Source Modell Lama, das die Schleusen für zukünftige Open Source Modelle für große Sprachen öffnete. 2023 war auch das Jahr, in dem Google Gemini auf den Markt brachte. Im Jahr 2024 stellte OpenAI der Welt Sora vor und zeigte uns, dass wir mit Hilfe von KI tatsächlich realistische Videos erstellen können. Außerdem erlebten wir 2024 GPT 40 und 2025 veröffentlichte Nvidia die Blackwell GPUs, die das Trainieren von Key Modellen weiter beschleunigten. Dann kam GPT 4.5 aus irgendeinem Grund, gefolgt von GPT 4.1 und dann Lama 4. Und während ich das heute aufzeichne, ist Jet GPT eine der 10 meistbesuchten Websites im gesamten Internet. Wenn man alles so sieht, wie wir es gerade dargestellt haben, ist es etwas einfacher, das exponentielle Wachstum zu verstehen. Aber wenn man es im Moment erlebt, kommen und gehen viele dieser großen Ereignisse einfach. Wird sich dieser Trend also fortsetzen oder werden wir einen weiteren KI Winter erleben? Wenn man sich die vorherigen KI Winter ansieht, waren sie alle mit Kürzungen der Finanzierung verbunden. Und angesichts der Bedeutung, die KI heute beigemessen wird, ihrer weit verbreiteten Einführung und der Tatsache, dass jedes große Unternehmen wirklich auf KI setzt, würde ich sagen, dass dies unwahrscheinlich ist. Andererseits ist es bei der Tatsache, dass sich alles so schnell entwickelt, auch möglich, dass der nächste KI Winter kommt und geht, bevor wir ihn überhaupt bemerken. So fortschrittlich ist die KI, dass sie sich selbst optimiert. Der Mensch ist nicht mehr der Flaschenhalf, was bedeutet, dass die Dinge wahrscheinlich weiter exponentiell wachsen werden. Zu Beginn dieses Videos erwähnte ich, dass exponentielles Wachstum vielen Menschen schwerfällt. Und was beschreibt das besser als unser ständiges Verschieben der Messlatte? Es gibt einen berühmten Satz von John McCarthy. Er Sobald es funktioniert, nennt es niemand mehr key. Alexa, Siri und Google Home beispielsweise galten ursprünglich als key, doch heute denkt niemand mehr daran. Alan Turing hatte ursprünglich ein Konzept dafür, worauf wir bei der Anwendung des Turing Tests achten sollten. Ich denke, wir können mit Sicherheit sagen, dass die heutigen KI Modelle das, was Alan Turing damals im Sinn hatte, wahrscheinlich bei weitem übertreffen. Das Verrückte ist für mich, dass wir so weit gekommen sind, ohne es zu merken.